9个LLM结构化输出失败实证研究：Markdown围栏是最大坑

研究覆盖 9 个 OpenAI 和 Anthropic 模型/API 配置，共 3,997 次生成尝试，任务来自 HotpotQA 和 FinanceBench。作者提出细粒度的 schema 失败分类法和确定性分类器，发现相同的有效率可能掩盖不同的失败模式。Markdown 围栏包裹的 JSON 是最常见失败：681 个围栏失败中仅 48.0% 在去围栏后能通过校验，其余多隐藏字段长度违规。研究总结了 4 条工程实践，涉及校验器、schema、重试和评估设计，并开源了分类器、补全记录和标注数据。